EN中文

地理学报 >

2024 , Vol. 79 >Issue 8: 1978 - 1993

DOI: https://doi.org/10.11821/dlxb202408006

人口与城市研究

街景精细尺度下城市经济发展预测及有效性评估

  • 柳林 ,
  • 张振岩 ,
  • 项子诚 ,
  • 郭靖雯
展开
  • 山东科技大学测绘与空间信息学院，青岛 266590

柳林(1971-), 女, 山东烟台人, 博士, 副教授, 硕士生导师, 研究方向为实景三维与GeoAI。E-mail:

收稿日期: 2023-05-08

  修回日期: 2024-02-28

  网络出版日期: 2024-08-06

基金资助

山东省自然科学基金项目(ZR2019MD034)

收起

Prediction and effectiveness evaluation of urban economic development on fine scale of streetscape

  • LIU Lin ,
  • ZHANG Zhenyan ,
  • XIANG Zicheng ,
  • GUO Jingwen
Expand
  • Shandong University of Science and Technology College of Geodesy and Geomatics, Qingdao 266590, Shandong, China

Received date: 2023-05-08

  Revised date: 2024-02-28

  Online published: 2024-08-06

Supported by

Natural Science Foundation of Shandong Province(ZR2019MD034)

Fold

摘要

随着城市化进程加快，传统大尺度遥感影像数据和经济统计方法无法从精细尺度刻画城市经济发展动态。街景影像可以反映城市建成环境物质空间特征，基于此可以在更精细尺度上对经济发展指标预测。本文提出一种改进的Deeplabv3_MEP街景影像语义分割模型，提取街景要素占比，采用图神经网络与卷积神经网络分别以街景要素指标和街景影像作为输入，预测经济指标；并利用XGBoost模型分析经济指标驱动因素，计算碳汇并构建Lasso回归模型评估行政区绿色经济发展有效性。结果发现：① 在市级区划尺度上，济南市经济指标呈现向市中心高度集中、向外围逐渐降低趋势；② 在区级区划尺度上，历下区经济发展水平最高，东部零星地区发展水平极高，其余地区较低；③ 在街道级区划尺度上，越靠近区或县中心街道，居民平均收入水平越高，越靠近市中心街道，居民平均收入水平更高；④ 驱动因素方面，围墙、天空、道路、建筑与汽车等要素对经济发展指标贡献较大，电线杆、摩托车等要素对经济发展贡献较小，公交车要素最低；⑤ 济南市存在绿色经济发展指数与经济发展水平不匹配现象。本文的研究方法不仅为精细尺度城市经济发展预测提供了研究框架的借鉴，也为理解城市绿色经济发展效能提供了新视角，有助于城市规划和可持续发展政策的制定。

关键词： 街景影像; DeepLabv3_MEP模型; GCN模型; CNN模型; 经济发展指标预测; 济南市

本文引用格式

柳林 , 张振岩 , 项子诚 , 郭靖雯 . 街景精细尺度下城市经济发展预测及有效性评估[J]. 地理学报, 2024 , 79(8) : 1978 -1993 . DOI: 10.11821/dlxb202408006

Abstract

With the acceleration of urbanization, traditional large-scale remote sensing image and economic statistical methods cannot accurately depict the dynamics of urban economic development from a fine scale. Streetscape images can reflect the material spatial features of the urban built environment. And based on this, economic development indicator (EDI) can be predicted at a finer scale. The study proposes an improved Deeplabv3_MEP semantic segmentation model for streetscape images to extract the percentage of streetscape elements. Then, graph neural network (GCN) and convolutional neural network (CNN) are used separately with streetscape factor index and streetscape images as inputs to predict EDI. And the XGBoost model is used to analyze the driving factors of EDI. The carbon sinks are calculated and a Lasso regression model is constructed to evaluate the effectiveness of green economic development in administrative regions. The results show that: (1) At the city-level division scale, the economic indicator of Jinan city shows a trend of high concentration towards the city center and a gradual decrease towards the outskirts. (2) At the district-level division scale, Lixia district has the highest level of economic development. And the development level in sporadic areas in the east is very high, while that in other areas is lower. (3) At the street-level division scale, the closer the street is to the district or county center, the higher the average income level of residents, and the closer the street is to the city center, the higher the average income level of residents. (4) Driving factors such as wall, sky, road, and car, contribute more to EDI, while factors such as pole and motorcycle contribute less, with bus being the lowest. (5) There is a phenomenon of mismatch between the green economic development index and the level of economic development.

Key words： streetscape image; DeepLabv3_MEP model; GCN model; CNN model; Prediction of economic development indicators; Jinan

1 引言

随着中国城市化进程不断发展，准确刻画城市不同区域经济发展动态差异、解决社会经济发展不均衡现状成为急需解决的难题。国内生产总值（GDP）作为衡量城市区域社会经济发展水平的重要指标，能够较好地反映不同地区间发展格局和差异[1]。但GDP以区为基本单元统计，存在更新周期长、可获得性低、数据来源单一等不足[2]，难以刻画城市街道尺度经济发展差异。
国内外学者多采用遥感影像[3]、夜光遥感[4⇓⇓-7]等数据分析城乡区域的经济发展。遥感数据更适用于大尺度研究，难以用来研究精细尺度。在城市发展测度上，街景作为城市物质空间环境表征，可以在一定程度上反映城市的经济发展水平[8]，使用街景影像分析城市经济发展逐渐成为一个研究热点[9⇓-11]。研究发现街景绿化与社会经济呈现相关性[12]，人行道、建筑等街景指标与社会经济状况呈现正相关[13]。有研究利用Seq2Seq等模型解析街景实体序列，如建筑和植被等指标，从而预测不同社会经济环境的概率，结果显示建筑环境与社会经济环境之间存在明显正相关性[14]。因此，街景影像可以作为一种有效手段实现对城市经济的细粒度预测。海量街景影像开放以及基于深度学习的预测技术发展，为基于街景的城市街道经济发展研究带来新机遇。百度地图、腾讯地图与谷歌地图不定时更新，为研究城市街道发展提供了海量街景影像。利用街景影像可以精细地反映城市街道经济发展水平，为研究城市区域经济发展提供一个全方面视角。深度学习[15]与传统语义分割[16]算法的结合与发展，极大地提高了图像语义分割准确性[17-18]，也使得指标提取更加精确。基于传统卷积神经网络（CNN）改进全卷积网络（FCN）[19]、端到端UNet[20]、为解决内存使用量而诞生RefineNet[21]及Google团队提出的一系列DeepLab模型[22-23]都使得分割结果更加精确。
目前基于街景影像的研究从简单利用街景影像拍摄时间、点评文本等图片元数据演变为研究街景影像本身反映的场景内容。一方面，使用分类模型学习同类别街景影像的共同特征，分类输入的街景影像，被应用于城市评估领域，如城市活力[24]、城市空间品质[25]、经济预测等特定主题[26-27]；另一方面，使用计算机视觉算法分割街景影像，计算相关街景指标，与已有社会经济数据或其他大数据结合构建数理模型，用于预测和分析城市社会、经济特征[28-29]。Xu等[30]利用建筑与POI数据训练改进后的GCN模型在街区尺度上分类城市功能区；Wang等[31]基于两个价格因素建立GCN模型预测共享电车的时间与空间分布。
在应对气候变化和推动绿色经济方面，中国为达碳中和[32]与绿色经济可持续努力。一般研究结合CO2排放量和GDP分析绿色经济发展状况[33⇓-35]，存在数据尺度大、更新周期久等问题。因此，本文利用街景数据预测精细尺度绿色经济发展，克服了传统方法的局限性，可为绿色经济发展评估提供了新的分析手段，为理解绿色经济发展提供了新视角。
综上所述，针对语义分割模型仍然存在局部与全局信息无法高效结合和内存使用量大的问题[23]，本文使用瓶颈空洞空间卷积（BVSC）与多尺度增强金字塔（MEP），设计DeepLabv3_MEP模型，进行街景影像的语义分割，以更准确地提取街景指标。基于大尺度遥感影像等数据进行经济分析，难以反映精细尺度的经济发展状况[14]，因此本文使用街景影像，以街道为基本单元，沿道路网进行精细尺度的经济预测。以往经济预测方向的研究局限于分析少量种类的街景指标与社会经济状况的相关关系，或单一模型的预测[11⇓⇓-14]，而缺少综合指标的研究以及忽略了不同深度学习模型的效果对比[31]，本文分别基于所提取的街景指标构建图神经网络（GCN）模型，根据收入等级数据和反映城市建成环境的街景影像的映射关系构建卷积神经网络（CNN）模型，对比两类深度学习模型对经济发展指标（Economic Development Indicator, EDI）的预测效果，并采用XGBoost模型分析经济发展的驱动因素，进行归因分析。本文旨在从精细尺度预测经济发展，为评估绿色经济发展有效性提供新的研究视角。

2 研究区概况与数据来源

2.1 研究区概况

本文选取山东省济南市作为研究区域（图1），其下辖10个区、2个县。在济南市下辖行政区中沿路网每隔100 m提取一张街景影像，通过街景影像预测采样位点前后50 m经济发展指标（居民收入水平是评估城市经济发展水平的重要指标）。
图1 研究区域范围

Fig. 1 Location of the study area

2.2 数据来源

① 2019—2020年百度街景影像。本文为保证街道信息完整性，沿道路每间隔100 m爬取百度街景影像，采集全景影像共计60000多张，并利用改进的Deeplabv3_MEP模型语义分割街景影像，得到每张全景影像中道路、建筑、栏杆等类别像素，并利用Python计算街景中不同要素占比。② 语义分割模型训练集。采用Cityscapes数据集，其包含19种地物、3475张精细标注图片，2975张作为训练集、500张作为测试集。③ 夜光遥感数据。从VIIRS VNL V2（https://eogdata.mines.edu/products/vnl/）下载2019年数据，空间分辨率为500 m[36]。④ 12个城区GDP数据。从2020年《济南市统计年鉴》中获取济南市行政区尺度的GDP数据。⑤ 收入数据。数据集共包含1475个居民点，将10个行政区1150个居民点作为训练集，2个行政区325个居民点作为测试集。使用语义分割模型提取各居民点500 m缓冲区内影像的街景要素占比，利用Python计算占比均值作为特征属性，并结合收入等级数据作为标签，共同构建节点属性表。并调用百度地图API，计算3种地理语境邻接矩阵构建不同图结构。⑥ 等级预测模型训练集。根据居民区尺度调查问卷的收入数据构造，共计10500张图片（来源于已知收入居民社区500 m缓冲区内街景影像），分4个等级：高收入2471张、较高收入2944张、中等收入2992张，低收入2093张。使用10个行政区9473张作为训练集，2个行政区1027张作为测试集。⑦ 城市生态系统相关数据。从2020年《济南市统计年鉴》获取CO2排放量数据，从济南市生态环境局获取绿化覆盖率、森林覆盖率、森林面积、生态公益林面积、林木密度、土地利用类型等数据，用于碳汇量计算。

3 研究方法

本文采用居民收入水平作为评估城市经济的指标，分3个尺度研究，即市级区划尺度、区级区划尺度与街道级区划尺度。研究框架分3个步骤（图2）：① 基于权重赋予（WAS）与瓶颈空洞空间卷积（BVSC）构建多尺度增强金字塔网络（MEP），替换DeepLabv3+解码端，构建DeepLabv3_MEP语义分割模型，对比结合不同主干网络的DeepLabv3+、MEPNet、DeepLabv3_MEP与7种经典模型在测试集上的性能；② 采用GCN模型与CNN模型，分别以街景要素指标和街景影像作为输入，预测经济指标，并在测试集上验证准确率，对比CNN模型预测结果、夜光遥感影像估算结果与GDP的Pearson相关系数；③ 采用XGBoost模型分析所预测经济发展指标驱动因素，进行归因分析。从市级、区级与街道级3个尺度分析济南市经济发展的空间特征，利用街景指标构建碳汇Lasso回归估算模型，基于碳汇估算模型与EDI构建绿色经济发展有效性的预测评估模型。
图2 研究框架

Fig. 2 Research framework

3.1 Deeplabv3_MEP模型的建立

使用多尺度增强金字塔（MEP）模块代替Deeplabv3+解码部分，构建多尺度增强金字塔模型（Multiscale Enhancement Pyramid Deeplabv3, Deeplabv3_MEP），其网络架构如图3所示。一部分从Resnet的卷积层4输出的特征图送入空间金字塔池化模块，使用4种不同膨胀率空洞卷积块和1个全局平均池化块得到5组特征图，送入多尺度解码端；另一部分，卷积层1、卷积层2、卷积层3和卷积层4输出的特征图送入多尺度金字塔。在多尺度解码端部分，接收来自金字塔池化模块和多尺度增强金字塔模块的输出作为输入。
图3 DeepLabv3_MEP架构图

Fig. 3 Architecture of DeepLabv3_MEP

（1）权重赋予与瓶颈空洞空间卷积。权重赋予（Weight Assignment Structure, WAS）是将输入的特征图层，基于通道这个维度最大池化（MaxPool）和平均池化（AvgPool）操作，得到2个H×W×1特征图；然后将2个特征图基于通道维度拼接，即拼接操作。使用1×1卷积核将通道降维成单通道特征图，即H×W×1；最后经过激活函数Sigmoid学习空间元素之间依赖关系，生成空间维度权重（图4a）。瓶颈空洞空间卷积（Bottleneck Void Spatial Convolution, BVSC）都包含1×1卷积将通道数降低为原有的1/4，传入3×3空洞可分离卷积（Atrous Separable Convolution, ASConv2d），批归一化和激活函数，最后使用1×1卷积将通道数恢复为原有输出通道数（图4b）。BVSC增加了网络层数，提高了特征提取能力，由于通道数降低，减少存放量，大大提高了训练拟合速度。
图4 权重赋予结构和瓶颈空洞空间卷积

Fig. 4 Weight assignment structure and Bottleneck Void Spatial Convolution

（2）多尺度增强金字塔网络架构。多尺度增强金字塔网络（Deep Multiscale Enhancement Pyramid Network, MEPNet）网络架构如图5所示。为提高模型对小物体的分割精度，采用一个自底向上与自顶向下的两条线路，并横向连接。自底向上是模型前向传播过程，即将特征图进行卷积核计算，提取更加有效性的特征，自顶向下是将更抽象、语义信息更强的高层特征图上采样。而横向连接是将上采样结果与自底向上生成的相同大小特征图融合，将经过自顶向下的低分辨率特征图上采样1倍、2倍、4倍，将特征图上采样为相同空间尺寸，并通过WAS为横向连接的两层特征图赋予空间权重，更好的利用底层定位细节信息，从而将自顶向下和自底向上的映射合并在一起。
图5 MEPNet架构图

Fig. 5 Architecture of MEPNet

（3）损失函数与学习率衰减策略。由于训练集中样本类别并不均衡，因此引入交叉熵损失函数有效防止正负样本不平衡问题。总损失函数为损伤函数（Dice Loss）和交叉熵损失函数（Focal Loss）的组合：
t o t a l l o s s = D i c e l o s s + F o c a l l o s s
学习率衰减组合策略，前30轮采用多步长衰减，学习率设为0.0007。在第31~50轮中学习率调整为0.00035。在第51~85轮中采用多项式衰减策略，周期为否，接下去所有学习率都保持最低值0.0001，多项式衰减策略为：
l r = i n i t i a l l r - m i n l r × 1 - c u r r e n t s t e p d e c a y p e r i o d p o w e r + m i n l r
式中：lr为调整后的学习率；initiallr为初始学习率，即最大学习率； m i n l r为最小学习率。

3.2 基于街景分割指标的预测方法

本文采用双层GCN模型，以地点和未采样地点两者的属性特征X作为输入节点特征，然后选择地点连接e的度量（图6中欧式距离、百度交互距离与百度交互时间）构建节点图结构，I表示图G的邻接矩阵。模型中建立居民点节点特征矩阵X（图6中xi1, xi2, xi3, …）、训练组中采集到的收入等级 y ^及居民点图结构。模型训练200个轮，以0.01的学习率更新权重，使用Adam优化器优化。每轮都包含一个正向传播过程和反向传播过程，在正向传播过程中，数据从隐藏层1传播到隐藏层2，公式如下：
X l + 1 = R e L U D - - 1 2 A - D - - 1 2 X l θ l
式中：X l表示第l层中居民地的环境特征矩阵；X l+1表示第l+1层中居民地的环境特征矩阵；θ表示第l层的权重矩阵；ReLU表示激活函数。在反向传播中，本文使用负对数似然计算预测出的收入等级y与实际收入等级 y ^之间的损失。训练完成后，使用GCN模型取预测测试集中居民点收入等级。为保证模型稳定性，将训练集、验证集及测试集重复训练50次。
图6 GCN模型

Fig. 6 GCN model

输出等级准确率受到地理环境连接方式影响，GCN可以从图结构（邻接矩阵）和节点特征中学习潜在地理语境，促进未采样点Y的预测。使用不同地理语境连接方式构建居民点邻接矩阵可以更全面地反映不同居民点之间联系。本文使用3种语境：① 仅考虑居民区之间的拓扑关系，所有存在边界的将对应连接赋值为欧氏距离。② 通过百度地图API得到不同居民区空间交互距离，使用驾车、公共交通、步行及骑行距离的加权和作为交互空间距离。③ 通过百度地图API得到不同居民区空间交互时间距离。使用驾车时间、公共交通、步行及骑行时间的加权和作为交互时间距离。

3.3 基于街景影像的预测方法

CNN模型网络架构如图7所示。输入层是输入的全景图片，裁剪为(768, 768)大小，输入主干网络Resnet 50提取特征，输出的特征层经过1×1卷积块（包括卷积、BN、激活层）升维、深度可分离卷积块与1×1卷积块降维，并上采样处理得到与Resnet 50输出尺寸相同的特征图。特征层与Resnet 50输出特征层拼接，输入全连接层，得到最终收入等级。
图7 CNN模型

Fig. 7 CNN model

3.4 碳汇量绿色经济发展指数回归预测

本文采用CO2排放、林业面积及生态系统固碳量等多个指标计算碳汇[37]，结合经济发展指标，评估绿色经济发展指数。依据李源清生态系统CO2吸收量[38]计算公式：
C s i n k = ∑ t 7 S t C s i n k t + C s i n k S e a + S C s i n k S o i l
式中：Csink为行政区内生态系统吸收CO2的量；St为行政区内t植被的种植面积； C s i n k t为行政区内t植被的面积；S为行政区非建筑用地的面积； C s i n k S o i l为行政区内土壤单位面积吸收CO2的量； C s i n k S e a为海洋吸收CO2的量，济南市为内陆城市， C s i n k S e a= 0。依据王敏等[39]碳汇测算公式计算区级区划碳汇：
C S i = C s i n k i - C e m i s s i o n s i C s e r i = C s i n k i 2 - C s i n k i C e m i s s i o n s i C s t o c k i
式中：CSi为i行政区的碳汇量； C s i n k i为i行政区内生态系统吸收CO2的量； C e m i s s i o n s i为i行政区内由人类获得排放的CO2量； C s e r i为i行政区内在生态系统中能够长期存储量占吸收量的比例； C s t o c k i为i行政区内在生态系统中能够长期存储CO2的量。
使用分割提取的街景指标作为输入自变量，碳汇公式计算得到的碳汇量归一化作为标签，输入机器学习Lasso回归算法[40]，捕捉街景指标与碳汇量的关联性。在回归系数的绝对值之和小于所设定阈值的约束条件下，使残差平方和最小化确定回归系数，得到碳汇量回归估算模型：
C S i = w 1 s 1 + w 2 s 2 + … + w 19 s 19
绿色经济发展指数评估公式：
G E I i = E D I i × w 1 s 1 + w 2 s 2 + … + w 19 s 19
式中： G E I i为i行政区的绿色经济发展指数；EDIi为i行政区的经济发展指标；CSi为训练好的Lasso回归算法；wi为第i个街景指标的权重；si为第i个街景指标。

4 实验结果分析

4.1 街景语义分割结果

4.1.1 模型指标对比

结合不同主干网络的DeepLabv3+、MEPNet、DeepLabv3_MEP与PSPNet、UNet、RefineNet等经典模型在测试集上的性能，使用平均交并比、平均召回率、平均精确率作为模型评价指标，进行多次交叉重复训练后对比模型平均指标（表1）。
表1 模型实验结果对比

Tab. 1 Comparison of experimental results of models

主干网络 模型 平均交并比(%) 平均召回率(%) 平均精确率(%)
ResNet 18 ResNet 18 59.82 68.71 78.40
DeepLabv3+ 64.71 74.31 80.42
MEPNet (本文模型) 65.47 74.62 81.37
DeepLabv3_MEP (本文模型) 66.91 76.33 81.90
ResNet 34 ResNet 34 63.42 72.74 79.80
DeepLabv3+ 66.50 75.94 81.17
MEPNet (本文模型) 67.61 76.67 83.15
DeepLabv3_MEP (本文模型) 69.24 78.70 82.92
Resnet 50 Resnet 50 64.90 74.64 80.14
FCN8S 67.87 76.95 82.63
UNet 68.03 76.70 83.18
PSPNet 69.20 81.46 81.24
RefineNet 70.68 79.56 84.89
DeepLabv3+ 71.67 80.84 84.27
MEPNet (本文模型) 72.26 81.31 86.62
DeepLabv3_MEP (本文模型) 74.94 82.41 87.94
DeepLabv3_MEP相较经典模型在平均交并比上有很大提高，相对于FCN8S提高7.07%、相对于UNet提高6.91%、相对于RefineNet提高4.26%，这表明DeepLabv3_MEP具有广泛优越性能。当主干网络为Resnet 18、Resnet 34与Resnet 50时，MEPNet相对于DeepLabv3+效果提高约0.4%~2%。不同主干网络下DeepLabv3_MEP相对于DeepLabv3+在平均交并比提高约2%~3.3%，这验证加入MEP的DeepLabv3+具有更好的分割精度。在提高精度的同时，MEPNet相对于UNet和RefineNet的参数量和存放量减少约30%，证明MEPNet也可以应用于移动设备上。

4.1.2 模型结果对比

本文所构建模型和其他模型分割结果对比发现（图8），黑圈验证MEP对边界分割得更加准确，红圈验证MEP对目标识别的正确率，综合验证MEP的有效性，橙圈所标注可以看出DeepLabv3_MEP比MEPNet与DeepLabv3+的分割效果更加优秀。对比结果表明DeepLabv3_MEP模型通过增加底层、中层语义特征，成功增强模型在高级语义特征提取能力，对边界的分割精细度更加精确，对细小物体的准确识别也更加有效。
图8 分割结果对比图

Fig. 8 Comparison of splitting results

4.2 经济指标预测结果

4.2.1 GCN与CNN预测结果对比

使用不同地理语境连接方式构建居民点邻接矩阵，输入GCN模型，并在测试集上验证其准确性（表2）。相较BD-GCN与ED-GCN，BT-GCN模型具有更高准确率，4分类准确率可以达到81.26%。可见，使用百度交互时间作为地理语境构建图结构可以更好的表示居民点之间的经济联系，也使得GCN能够更好学习潜在地理语境，促进未采样点的预测。对比GCN模型与CNN模型。CNN模型预测精度更高。CNN模型4分类准确率可达89.35%，而BT-GCN模型4分类准确率仅有81.26%（表2）。
表2 模型精度对比(%)

Tab. 2 Model accuracy comparison (%)

模型 2分类 3分类 4分类
BD-GCN 80.01 78.06 74.19
ED-GCN 84.32 82.34 80.12
BT-GCN 86.42 84.22 81.26
CNN 89.35 89.35 89.35

4.2.2 预测结果与GDP的相关性对比

灯光指数能够表达一定范围内城市化进程和经济发展水平，是反映城市综合发展情况的数字表达形式之一。本文选用综合灯光指数（Compounded Night Light Index, CNLI）描述济南市各行政区经济发展水平[41]。综合灯光指数是平均相对灯光强度与亮区面积的乘积。为消除量纲上带来的差异，分析前归一化处理GDP、灯光综合指数及经济发展指数，然后从整体上对比GDP与CNN预测结果和遥感数据估算结果的Pearson相关性。
从不同预测方法与GDP相关性对比中可以看出（表3），GDP归一化与经济发展指数归一化的相关性可达0.83，与灯光综合指数归一化可达0.78，而且通过聚类分析可以发现经济发展指标的归一化与GDP归一化的相似性更高，因此使用基于街景影像的CNN模型预测经济发展指标代表GDP具有可行性。
表3 不同预测方法与GDP相关性对比

Tab. 3 Comparison of different predicting methods and GDP correlations

指标 GDP归一化 灯光综合指数归一化 经济发展指标的归一化
GDP归一化 1.00 0.78 0.83
灯光综合指数归一化 0.78 1.00 0.78
经济发展指标的归一化 0.83 0.78 1.00

4.2.3 多尺度经济发展指标空间分布

利用CNN模型预测经济发展水平，并从市级、区级和街道级3个尺度分析济南经济发展指标空间分布特征。本文采用等值断点法，将济南市居民收入划分为4个等级，分别是高等收入（> 15000元）、较高收入（10000~15000元）、中等收入（5000~10000元）和低等收入（≤ 5000元）。
（1）市级区划尺度经济指标空间特征。济南市居民收入水平呈现向市中心高度集中、向外围逐渐降低的趋势（图9）。历下区、槐荫区与市中区为市中心，呈现较高的经济发展水平，天桥区、长清区与济阳区方向经济发展逐渐衰减，而钢城区经济发展水平最低。
图9 2020年济南市收入等级类别空间分布

Fig. 9 Spatial distribution of EDI in Jinan in 2020

（2）区级区划尺度下经济指标空间特征。市中区、天桥区和槐荫区的经济发展水平较高，主要原因是产业集聚和良好的交通便利性（图10）。市中区北部地区经济发展水平较高。桥区南部大部分处于较高收入，甚至为高等收入。槐荫区经济发达区主要分布在中部和东部地区。章丘区、平阴县、莱芜区、济阳区、长清区和商河县贫富差距显著，发达区域主要分布在各区县中心，中心地带的便利性促使经济中心形成。钢城区是济南市所有区县中经济发展最为落后的地区，原因是经济结构转型不足，缺乏新兴产业支持。历城区经济发展指标呈现由西北部向四周降低的趋势（图10k），城市西北部与西部经济发展水平高，城郊地区发展较为落后。历下区经济发展指标普遍处于较高水平，其东部地区发展水平较高区域呈零星分布。
图10 2020年济南市区级区划收入等级类别空间分布

注：街景影像依据经纬度坐标自百度地图全景平台下载。

Fig. 10 Spatial distribution of EDI at district level in Jinan in 2020

（3）街道级区划尺度下经济指标空间特征。街道级区划收入水平差异性，越靠近市中心和区县中心街道，居民平均收入水平越高（图11）。同一区划内不同街道平均收入水平也存在差距，如历下区甸柳、趵突泉、燕山街道平均收入水平高于唐冶等街道。核心地段的地理位置决定其拥有更多的资源和机会，如教育资源和就业机会等。
图11 济南市街道级平均收入热力图

Fig. 11 Thermal map of average revenue at the street level

4.2.4 经济发展指标驱动因素分析

经济发展指标驱动因素分析能够深入揭示经济指标背后的内在驱动机理，本文使用XGBoost[42]简单模型探究不同街景要素对于所预测经济发展指标的影响程度，提高模型的可解释性。采用SHAP方法，分析不同街景指标特征对经济预测结果的贡献度（图12）。围墙、天空、道路、建筑与汽车等要素对经济发展贡献较大，电线杆、火车等要素对经济发展贡献较小，公交车最低。
图12 测度指标SHAP图

Fig. 12 SHAP chart of metrics

4.3 碳汇估算及绿色经济发展指数

本文获取10个行政区的林业相关指标，根据公式（4）计算得到各行政区碳汇量。为消除回归时碳汇与街景指标量纲差异带来误差，归一化处理碳汇量。将各行政区19类街景指标作为自变量输入，将碳汇量归一化作为因变量训练拟合Lasso回归，确定街景指标与碳汇量之间的回归参数，建立拟合回归模型，以估算未知行政区的碳汇量（图13）。
图13 模型训练验证及拟合结果

Fig. 13 Model training verification and fitting results

由图13a的Lasso回归交叉验证图可以看出，训练得到均方误差最小为0.525，对数误差为0.644，使用街景指标作为输入自变量，预测碳汇量，得到较好的预测效果。分析发现碳汇量与绿色植被、路灯占比的相关性较高，也比较符合碳汇量与林业种植面积相关性强的特点。预测曲线与真实曲线拟合较好（图13b），验证了使用街景指标可以较好预测碳汇量。碳汇量拟合公式如下：
C S i = 0.376 + 4.672 s v e g e t a t i o n - 99.759 s t r a f f i c _ l i g h t
式中： C S i为i行政区的碳汇量； s v e g e t a t i o n是i行政区绿植占比； s t r a f f i c _ l i g h t是i行政区路灯占比。
基于碳汇量的拟合公式与EDI构建区级区划尺度下绿色经济发展指数的评估模型：
G E I i = E D I i × C S i = E D I i × 0.376 + 4.672 s v e g e t a t i o n - 99.759 s t r a f f i c _ l i g h t
式中： G E I i为i行政区的绿色经济发展指数； G E I i为i行政区的经济发展指标； C S i为i行政区的碳汇量； s v e g e t a t i o n是i行政区绿植占比； s t r a f f i c _ l i g h t是i行政区路灯占比。本文所提出的上述绿色发展评估模型为通用模型，参数指标的选择适用于中国北方内陆城市研究，其他城市绿色经济发展评估相关研究在该模型基础上更改参数指标即可。
以莱芜区、平阴县为例，采用上述模型计算得到，莱芜区碳汇水平为0.247，经济发展指标为8926，绿色经济发展指数差，仅为2205。平阴县碳汇水平为0.831，经济发展指标为6163，绿色经济发展指数处于较优水平，为5121。造成经济发展水平与绿色效率不匹配现象的原因：① 莱芜区经济发展水平位于上游，但其过于依赖单一产业，即制造业，以钢铁、建材及机械制造为主，CO2排放量高，同时林业面积较少，位于倒数水平，导致绿色经济有效性低。因此莱芜区可以通过增加林业面积，增强碳汇，从而提高绿色经济发展指数。② 平阴县以第三产业为主，经济发展水平较差。由于平阴县工业水平和土地利用率较低，使其林业面积较高，达到10002.7 hm2，碳汇水平较高，因此其绿色经济发展指数较高。

5 讨论

（1）通过实验结果对比可知，本文所提出的多尺度增强金字塔模块MEP的引入有效提升了模型对街景影像语义分割的性能。MEP模块由瓶颈空洞空间卷积BVSC和权重赋予结构WAS构成，采用3种不同膨胀率的BVSC，同时捕捉不同大小感受野的上下文特征，实现感受野动态变化。使用WAS为横向链接的特征层赋予空间权重，更好的利用底层特征，实现更大范围、更综合的街景特征提取。DeepLabv3_MEP模型有效增强主干网络所提取的街景语义特征，融合多维度特征层，兼顾全局与局部语义特征，并通过WAS为金字塔输出特征层赋予空间权重，使网络输出结果具有更高精度。同时，利用BVSC中瓶颈结构将输入通道数降低为原有的1/4，并输出与输入相同的通道数，既保证了输出维度的一致性，又有效降低模型的计算量。
（2）本文采用CNN与GCN两种深度学习模型，分别以未分割街景影像和分割后街景指标为输入，预测经济指标。精度对比可知，CNN模型预测精度更高。这种差异可能来源于CNN模型以街景影像为输入，对街景视觉特征具有高效的提取能力，以及在计算空间数据时信息损失较小。相较之下，基于街景分割指标的GCN模型，在语义分割提取指标和指标赋权等过程中引入了一定误差。
（3）济南市经济发展指标空间分异受到多个驱动因素影响，包括汽车、行人、绿视率、围墙、建筑物和天空等指标。分析街景指标空间分布发现，在中心地带，部分指标占比较高，如道路上汽车和行人的数量较多，围墙、建筑物密度较高等。这些指标反映了中心地区的商业活动频繁、人流量大等特点，这是其经济发展水平较高的原因。而在济南市外围地区，街景相对简单，道路上汽车和行人的数量较少，建筑物密度较低等。反映出外围地区商业活动相对较少，经济发展水平较低的状况。总之，商业、交通和人口流动等因素共同作用，造成济南市经济发展指标在空间上的差异化分布。
（4）通过定量分析经济发展水平和街区街景特征发现，经济发展水平高的地区普遍具有车辆多、道路宽、建筑物高、绿视率高及行人多等特点。而经济发展水平低的地区具有低矮建筑为主、行人稀少、车辆较少、卡车数量较多等特点。因此，分析和预测经济发展时，可以重点关注街景特征，从城市物理环境中捕捉经济发展状况，实现更加精确地分析与预测。

6 结论

本文基于瓶颈空洞空间卷积（BVSC）与多尺度增强金字塔（MEP）构建了Deeplabv3_MEP模型。并基于街景影像从市级、区级和街道级3区划个尺度分析济南市经济发展空间分异特征，得出结论为：① 街景影像语义分割方面，Deeplabv3_MEP模型引入多尺度增强金字塔（MEP）模块，增强了模型街景特征的提取能力，改善了街景影像语义分割效果。模型精度有显著提高，平均交并比最大提高了7.07%，平均提高了5%。由于BVSC中瓶颈结构的引入，使得MEPNet的参数量和存放量减少约30%。② 经济指标预测方面，CNN模型具有比GCN模型更优的预测效果。从市级区划尺度上看，济南市经济发展指标呈现出向市中心高度集中，向外围逐渐降低的趋势。从区级区划尺度上看，历下区发展水平最高，其经济发展水平普遍处于较高水平，其东部地区发展水平较高的区域呈零星分布。从街道级区划尺度上看，不同街道收入水平存在较大差异性，越靠近区中心与县中心街道，居民平均收入水平越高。③ 归因分析方面，影响经济发展指标的要素包括围墙、天空、道路、建筑、绿植与汽车等10类，而电线杆、摩托车等9类指标对预测经济发展影响较小。经济发展指标高的地区，其街景特征普遍具有车辆多、道路宽、建筑物高、绿视率大及行人多等特点。后续经济预测研究应多关注街景影像的相关要素。④ 绿色经济发展指数研究结果表明，碳汇量与绿植和指示灯占比密切相关。绿植的增加可以提高其碳汇水平，而指示灯等交通设施会增大CO2排放，从而削弱其碳汇水平。因此，为提高绿色经济发展指数，需要进一步提高城市的绿化率。
本文提出的DeepLab_MEP模型，可以有效提高模型的分割精度。从精细尺度上进行经济发展指标及有效性评估，一方面为相关研究提供了研究方法框架的借鉴，另一方面研究结果可以为城市规划和“双碳”目标实施提供参考依据。但本文仍存在一定的局限性，如街景影像覆盖不全，对于经济发展落后的低等级道路往往缺失街景影像，街景语义分割中指示牌等街景指标分割精度较低。街景特征所呈现的绿色经济发展水平在更大范围内的适用性，有待更进一步验证。今后可以从建立自主的街景标注数据集入手，提升街景语义分割的精度，针对城市经济发展格局特征和街景的差异性，爬取多个城市街景影像，进一步探究国外街景特征和城市经济发展的关联机制，以增强研究结论的普适性。另外，本文所提出的绿色发展评估模型对碳汇估算仅涉及了北方植被类型的区分，未详细区分土壤类型，今后可以扩大模型样本训练范围，考虑多种因素精确估算碳汇，提升评估模型和研究结论的普适性。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Zhu Cheng, Jiang Fengqing, Wu Li, et al. On the problems of urbanization in the Yangtze River Delta under the background of global change. Acta Geographica Sinica, 2017, 72(4): 633-645.

DOI

[朱诚, 姜逢清, 吴立, 等. 对全球变化背景下长三角地区城镇化发展科学问题的思考. 地理学报, 2017, 72(4): 633-645.]

DOI

[2]
He J L, Zhang J B, Yao Y, et al. Extracting human perceptions from street view images for better assessing urban renewal potential. Cities, 2023, 134: 104189. DOI: 10.1016/j.cities.2023.104189.

[3]
Duque J C, Patino J E, Ruiz L A, et al. Measuring intra-urban poverty using land cover and texture metrics derived from remote sensing data. Landscape and Urban Planning, 2015, 135: 11-21.

[4]
Elvidge C D, Baugh K, Zhizhin M, et al. VIIRS night-time lights. International Journal of Remote Sensing, 2017, 38(21): 5860-5879.

[5]
Liu Quanyi, Zhan Qingming, Li Jiansong, et al. Extracting built-up areas using Luojia-1 nighttime light imageries in Wuhan, China. Geomatics and Information Science of Wuhan University, 2021, 46(1): 30-39.

[刘权毅, 詹庆明, 李建松, 等. 珞珈一号夜间灯光影像在建设用地提取中的应用: 以武汉市为例. 武汉大学学报(信息科学版), 2021, 46(1): 30-39.]

[6]
Liu Lingcen, Sun Zhongxiao, Wu Feng, et al. Dynamics of developmental vitality and equilibria of counties in China based on nighttime lights data. Acta Geographica Sinica, 2023, 78(4): 811-823.

DOI

[刘泠岑, 孙中孝, 吴锋, 等. 基于夜间灯光数据的中国县域发展活力与均衡性动态研究. 地理学报, 2023, 78(4): 811-823.]

DOI

[7]
Cui Cheng, Zhao Lu, Ren Hongyan, et al. Integrating high-resolution remote sensing and street view images to identify urban villages: A case study in Yuexiu district, Guangzhou city. National Remote Sensing Bulletin, 2022, 26(9): 1802-1813.

[崔成, 赵璐, 任红艳, 等. 耦合GF-2遥感影像与街景影像的广州市城中村识别. 遥感学报, 2022, 26(9): 1802-1813.]

[8]
Thackway W, Ng M, Lee C L, et al. Implementing a deep-learning model using Google street view to combine social and physical indicators of gentrification. Computers. Environment and Urban Systems, 2023, 102: 101970. DOI: 10.1016/j.compenvurbsys.2023.101970.

[9]
Yao Y, Zhang J Q, Qian C, et al. Delineating urban job-housing patterns at a parcel scale with street view imagery. International Journal of Geographical Information Science, 2021, 35(10): 1927-1950.

[10]
Xiao C, Shi Q, Gu C. Assessing the spatial distribution pattern of street greenery and its relationship with socioeconomic status and the built environment in Shanghai, China. Land, 2021, 10(8): 871. DOI: 10.3390/land100 80871.

[11]
Byun G, Kim Y. A street-view-based method to detect urban growth and decline: A case study of midtown in Detroit, Michigan, USA. Plos One, 2022, 17(2): e263775. DOI: 10.1371/journal.pone.0263775.

[12]
Li X J, Zhang C R, Li W D, et al. Who lives in greener neighborhoods? The distribution of street greenery and its association with residents' socioeconomic conditions in Hartford, Connecticut, USA. Urban Forestry & Urban Greening, 2015, 14(4): 751-759.

[13]
Fan Z, Zhang F, Loo B P Y, et al. Urban visual intelligence: Uncovering hidden city profiles with street view images. PNAS, 2023, 120(27): e2220417120. DOI: 10.1073/pnas.2220417120.

[14]
Zhang Y, Zhang F, Fang L B, et al. Inferring socioeconomic environment from built environment characteristics based street view images: An approach of Seq2Seq method. International Journal of Applied Earth Observation and Geoinformation, 2023, 123: 103458. DOI: 10.1016/j.jag.2023.103458.

[15]
Hinton G E, Salakhutdinov R R. Reducing the dimensionality of data with neural networks. Science, 2006, 313(5786): 504-507.

DOI PMID

[16]
Lateef F, Ruichek Y. Survey on semantic segmentation using deep learning techniques. Neurocomputing, 2019, 338: 321-348.

DOI

[17]
Hao S J, Zhou Y, Guo Y R. A brief survey on semantic segmentation with deep learning. Neurocomputing, 2020, 406: 302-321.

[18]
Liu X L, Deng Z D, Yang Y H. Recent progress in semantic image segmentation. Artificial Intelligence Review, 2019, 52(2): 1089-1106.

DOI

[19]
Sun W W, Wang R S. Fully convolutional networks for semantic segmentation of very high resolution remotely sensed images combined with DSM. IEEE Geoscience and Remote Sensing Letters, 2018, 15(3): 474-478.

[20]
Ronneberger O, Fischer P, Brox T. U-Net: Convolutional networks for biomedical image segmentation. Medical Image Computing and Computer-assisted Intervention:18th International Conference, 2015: 234-241.

[21]
Lin G S, Milan A, Shen C H, et al. RefineNet: Multi-path refinement networks for high-resolution semantic segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 1925-1934.

[22]
Chen L C, Papandreou G, Kokkinos I, et al. DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4): 834-848.

[23]
Chen L C, Zhu Y K, Papandreou G, et al. Encoder-decoder with atrous separable convolution for semantic image segmentation. Proceedings of the European Conference on Computer Vision, 2018, 11211: 801-818.

[24]
Wu C, Ye Y, Gao F Z, et al. Using street view images to examine the association between human perceptions of locale and urban vitality in Shenzhen, China. Sustainable Cities and Society, 2023, 88: 104291. DOI: 10.1016/j.scs.2022.104291.

[25]
Yang Cancan, Xu Fangnian, Jiang Ling, et al. Approach to quantify spatial comfort of roads based on street view images. Journal of Geo-information Science, 2021, 23(5): 785-801.

[杨灿灿, 许芳年, 江岭, 等. 基于街景影像的城市道路空间舒适度研究. 地球信息科学学报, 2021, 23(5): 785-801.]

DOI

[26]
Chen X G. Machine learning approach for a circular economy with waste recycling in smart cities. Energy Reports, 2022, 8: 3127-3140.

[27]
Arietta S M, Efros A A, Ramamoorthi R, et al. City forensics: Using visual elements to predict non-visual city attributes. IEEE Transactions on Visualization and Computer Graphics, 2014, 20(12): 2624-2633.

[28]
Naik N, Kominers S D, Raskar R, et al. Do people shape cities, or do cities shape people? The co-evolution of physical, social and economic change in five major US cities. National Bureau of Economic Research, 2015. DOI: 10.3386/w21620.

[29]
Ma Beibei, Li Hailing, Wei Yehua, et al. Spatial structure and mechanism of urban poverty in Xi'an city. Acta Geographica Sinica, 2018, 73(6): 1018-1032.

DOI

[马蓓蓓, 李海玲, 魏也华, 等. 西安市贫困空间结构特征与发生机理. 地理学报, 2018, 73(6): 1018-1032.]

DOI

[30]
Xu Y Y, Jin S, Chen Z L, et al. Application of a graph convolutional network with visual and semantic features to classify urban scenes. International Journal of Geographical Information Science, 2022, 36(10): 2009-2034.

[31]
Wang S, Yang Y, Chen Y S, et al. Trip pricing scheme for electric vehicle sharing network with demand prediction. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(11): 20243-20254.

[32]
Ye M, Deng F M, Yang L, et al. Evaluation of regional low-carbon circular economy development: A case study in Sichuan province, China. International Journal of Climate Change Strategies and Management, 2022, 14(1): 54-77.

[33]
Wu Y, Zhang M, Yang M X, et al. Exploration of the implementation of carbon neutralization in the field of natural resources under the background of sustainable development: An overview. International Journal of Environmental Research and Public Health, 2022, 19(21): 14109. DOI: 10.3390/ijerph192114109.

[34]
Wang M X, Zhao H H, Cui J X, et al. Evaluating green development level of nine cities within the Pearl River Delta, China. Journal of Cleaner Production, 2018, 174: 315-323.

[35]
Qiu S L, Wang Z L, Liu S. The policy outcomes of low-carbon city construction on urban green development: Evidence from a quasi-natural experiment conducted in China. Sustainable Cities and Society, 2021, 66: 102699. DOI: 10.1016/j.scs.2020.102699.

[36]
Wu K, Wang X N. Aligning pixel values of DMSP and VIIRS nighttime light images to evaluate urban dynamics. Remote Sensing, 2019, 11(12): 1463. DOI: 10.3390/rs11121463.

[37]
Chen J, Fan W, Li D, et al. Driving factors of global carbon footprint pressure: Based on vegetation carbon sequestration. Applied Energy, 2020, 267: 114914. DOI: 10.1016/j.apenergy.2020.114914.

[38]
Li Yuanqing, Zhang Xiaodong, Hu Na, et al. Study on estimating all carbon sink resources of Zhengzhou based on statistics. Acta Metrologica Sinica, 2022, 43(2): 281-286.

[李源清, 张晓东, 胡娜, 等. 基于统计数据郑州市全口径碳汇估算研究. 计量学报, 2022, 43(2): 281-286.]

[39]
Wang M, Zhao X, Gong Q, et al. Measurement of regional green economy sustainable development ability based on entropy weight-topsis-coupling coordination degree: A case study in Shandong province, China. Sustainability, 2019, 11(1): 280. DOI: 10.3390/su11010280.

[40]
Zou H. The adaptive lasso and its oracle properties. Journal of the American Statistical Association, 2006, 101(476): 1418-1429.

[41]
Zhuo Li, Chen Jin, Shi Peijun, et al. Modeling population density of China in 1998 based on DMSP/OLS nighttime light image. Acta Geographica Sinica, 2005, 60(2): 266-276.

DOI

[卓莉, 陈晋, 史培军, 等. 基于夜间灯光数据的中国人口密度模拟. 地理学报, 2005, 60(2): 266-276.]

[42]
Guo M Z, Yuan Z Z, Janson B, et al. Older pedestrian traffic crashes severity analysis based on an emerging machine learning XGBoost. Sustainability, 2021, 13(2): 926. DOI: 10.3390/su13020926.

Options
文章导航

/

〈 〉